一、前言

在前一個 Lab（Day 27）中，我們已完成從 DynamoDB → Lambda → S3 的資料匯出流程，但資料仍是「原始記錄」。本日 Lab 的目標是將這些資料轉化為可視化的商業智慧儀表板（Business Intelligence Dashboard），讓團隊能夠快速洞察會員註冊趨勢、活動分佈與用戶行為模式，實現資料驅動決策（Data-driven Decision Making）。

本次Lab著重要解決的痛點在於：

(1) S3 儲存的原始 JSON/CSV 檔案難以直接分析，缺乏圖形化報表與趨勢追蹤。
(2) 產品與管理層無法即時得知會員增長與行為變化，導致決策延遲。

此 Lab 的定位，是整個 Serverless 應用的「觀測與決策層」。前面幾天的 Lab 著重在資料流的建立與安全性，而本篇專注於將資料呈現給人理解的方式，使用 QuickSight + Athena 來實現雲端端到端（end-to-end）的分析與可視化流程。

二、需要使用到的服務

1. Amazon QuickSight：負責視覺化分析與報表自動寄送。
2. Amazon Athena：作為 SQL 查詢層，讀取並分析 S3 中的資料。
3. Amazon S3：儲存由 Lambda 匯出的 DynamoDB 使用者事件資料。
4. AWS Glue（可選）：用於建立 Athena 可辨識的資料結構（Catalog）。
5. IAM：授權 QuickSight 存取 Athena 與 S3 資料。

三、架構/概念圖

四、技術重點

• 建議使用 SPICE 模式取代即時查詢 Athena，可大幅提升讀取速度並降低成本。
• 定期執行 Glue Crawler（若有使用），以確保 Athena 結構更新。
• 儀表板設計建議以「角色導向」分群，如管理層（KPI 概況）、開發者（效能指標）。
• 將 QuickSight 報表與 SNS 或 Lambda 整合，可在數據異常時自動發送告警信。
• 控管 QuickSight 成本，避免過多 Dataset 或 Analysis 長期佔用 SPICE 空間。
  

這個架構設計了一個清晰的 ETL (Extract, Transform, Load) 流程：

• E (提取)：應用服務將數據送到 CloudWatch。
• T (轉換/搬運)：CloudWatch Logs Export 將日誌轉換格式並搬運到 S3。
• L (載入/分析)：Athena 負責執行 SQL 查詢，將 S3 上的非結構化數據轉化為可分析的表格結構 (Glue Data Catalog 協助定義 Schema)。
• 前端呈現：QuickSight 從 CloudWatch Metrics 和 Athena 查詢結果中，提取並呈現最終的 BI 儀表板。

這個 Lab 是雲端架構中「可觀測性 (Observability)」和「商業情報 (Business Intelligence)」整合的最佳範例基礎架構。

五、Lab流程

1️⃣ 前置作業

1. 創建DynamoDB，並設定Steam觸發Lambda。（Day27）

2. Lambda觸發，將事件紀錄匯出至S3中。

2️⃣ 主要配置（服務設定、Policy、流程串接）

1. 註冊QuickSight

1. 進入「QuickSight」頁面。
   

2. 註冊QuickSight。
   

3. 輸入E-mail、設定名稱，並授權可使用的AWS服務。
   
   

4. 註冊完成。
   

2. 在QuickSight建立Dataset（資料集）

1. 創建新的資料集。
   

2. 創建「Amazon Athena」
   

3. 輸入資料來源名稱，並按驗證連線。（analytics_db）
   

4. 建立資料來源。
   

5. 選取資料庫。
   

6. 創建資料表。
   

7. 點選建立。
   

8. 選擇表單類型。
   

9. 編輯表單樣式。
   

10. 發佈儀表板。
    

11. 完成畫面，可以透過左上路徑回到主頁。
    

3. 設定QuickSight排程

1. 進入資料表內。
   

2. 新增排程。
   

3. 設定固定排程。
   

4. 完成畫面。
   

4. 設定自動寄送報表

1. 點選表單的排程。
   

2. 新增排程。
   

3. 設定排程內容與收件者，並寄出測試信。
   
   

4. 收到測試信。
   

5. 設定儲存排程。
   

6. 完成畫面。
   

3️⃣ 測試驗證（QuickSight 儀表板建置與自動報表）

1. 修改DynamoDB的資料

1. 進到DynamoDB後，編輯既有項目。
   

2. 修改資料，並儲存。
   

2. 確認沒有變動

1. 進到儀表板內。
   

2. 確認尚未更新。
   

3. 手動刷新

1. 進入資料集內。
   

2. 手動刷新資料。
   

3. 選擇「整理模型」。
   

4. 確認重新整理。
   

【補充】頁面下方可以看到表單歷史紀錄

4. 確認資料已更新

1. 進入儀表板內。
   

2. 確認資料已更新。
   

【補充】刪除資料表的方式：

1. 刪除資料表：

   DROP TABLE analytics_db.dynamodb_users;
   

2. 刪除資料庫：

   DROP DATABASE IF EXISTS analytics_db;
   

六、結語

本 Lab 示範如何將 Athena、QuickSight 串接，並產出適當的目視化報表（雖然更新尚未自動化，但可以做排程功能、自動更新），將系統監控資料轉化為決策資訊。
這樣的自動化報表不僅能提供工程團隊即時監控，更能讓管理層從營運角度理解使用趨勢、成本走勢與效能瓶頸。
最終達成的目標是：「讓資料自己說話，讓報表替你工作。」（類似於CloudWatch的商務版本）

但要注意，若要時時更新，則可能因為定期刷新Athena API，而產生較頻繁的流量費用。

[1] AWS - Amazon QuickSight 的運作方式：
https://docs.aws.amazon.com/zh_tw/quicksight/latest/user/how-quicksight-works.html